Miracle Fan的博客

​ Flow-Based对概率密度函数的直接建模，这使得它们在数据生成和推断方面具有优势，并且在潜在空间中的操作更加直观。

VAE（变分自编码器）是一种生成模型，结合了自编码器和概率图模型的思想。它通过学习数据的潜在分布，可以生成新的数据样本。VAE通过将输入数据映射到潜在空间中的分布，并在训练过程中最大化数据与潜在变量之间的条件概率来实现。其关键思想在于编码器将输入数据编码成潜在分布的参数，解码器则从这个分布中采样生成新的数据。这种生成方式不仅能够生成新的数据，还能够在潜在空间中进行插值和操作，提供了强大的特征学习和数据生成能力

​ 从guassian distribution进行采样得到一个噪声的图片，图片大小与想输出的图像一致，接着通过一系列的Denoise得到最终输出的图片。因为如果不进行次数编码，对于不同噪声图片（图片差异很大），通过同一个模型，其处理效果可能就不是那么友好。Denoise通过Noise Predicter去预测输入的图片中，噪声是什么样的，然后进行相减就能得到输出图片。的过程，自己添加噪声和已知的step加到原始图片，就能生成一个带噪声的图片，反过来看，就是生成了训练数据了，才输出生成的图片。